Q1. ある企業が、学生に個別最適化された学習体験を提供するAI搭載の教育ソリューションを構築したいと考えています。
このプラットフォームは、学生の知識を評価し、関連する学習教材を推薦し、個別化された演習問題を生成します。
アプリケーションはレッスンの構成を提供し、進捗を追跡します。
どのタイプのAIソリューションを使用すべきですか？
A. 学習リソースを推薦するAI搭載のレコメンデーションシステム
B. 教育コンテンツでファインチューニングされた大規模言語モデル（LLM）
C. 学習管理システム（LMS）
D. カスタマイズされた学習エージェント
回答
- D. カスタマイズされた学習エージェント
-
要件は、単なる推薦やコンテンツ生成にとどまりません。
知識の評価、教材の推薦、個別化された演習の生成、レッスン構成の提供、進捗の追跡までを含みます。
これは学生のアシスタントや家庭教師として機能する、より包括的で知的なシステムを意味します。
このように 複数の機能を統合し自律的に判断するものは「学習エージェント」が最も適切 です。
LLMやレコメンデーションシステムは構成要素として活用されますが、全体としてはエージェントになります。
Vertex AI Agent Builder | Google Cloud
Q2. ある企業がビデオゲーム用のAIキャラクターを開発しています。
このAIキャラクターは、複雑な環境を移動し、ゲーム内で特定の目標を達成するための意思決定を学習する必要があります。
AIが報酬を見つける、障害を乗り越えるなど良い結果につながる行動を取ると、プラスのスコアを受け取ります。
壁にぶつかる、進捗を失うなど悪い結果につながる行動を取ると、マイナスのスコアを受け取ります。
この試行錯誤のプロセスを通じて、AIは徐々にキャラクターを効果的に操作する能力を向上させます。
この企業はどの機械学習を使用すべきですか？
A. ディープラーニング（深層学習）
B. 強化学習（Reinforcement Learning）
C. 教師あり学習
D. 教師なし学習
回答
- B. 強化学習（Reinforcement Learning）
-
報酬とペナルティを通じた試行錯誤で行動を最適化していく仕組みは、強化学習（Reinforcement Learning）の典型例です。
エージェントが環境と相互作用し、望ましい行動には報酬、望ましくない行動には罰を受け取りながら、累積報酬を最大化するように振る舞いを改善します。
ディープラーニングは手法の一種、教師あり学習はラベル付きデータ、教師なし学習は未ラベルデータのパターン発見が中心です。
したがって 報酬と罰による試行錯誤で行動を最適化するのは強化学習 が正解です。
機械学習とは | Google Cloud
Q3. 膨大な製品カタログと多数のサポート文書を持つ大手eコマース企業で、顧客がウェブサイト上で情報を見つけられずに苦労しています。
これによりサポートコストが高騰し、ユーザー体験も低下しています。
この企業は、サポートコストを削減し顧客満足度を向上させながら、ウェブサイトの検索を改善するGoogle Cloudソリューションを求めています。
どのGoogle Cloud製品を使用すべきですか？
A. Google ショッピング
B. Vertex AI Search
C. Google 検索
D. Vertex AI Platform
回答
- B. Vertex AI Search
-
自社の製品カタログやサポート文書に対して、高精度な企業向け検索体験を構築できるのが Vertex AI Search です。
自社データを対象にした検索を実現し、顧客が必要な情報に素早くたどり着ける ため、サポートコストの削減とユーザー体験の向上に直結します。
Google ショッピングは消費者向け、Google 検索は公開ウェブ向け、Vertex AI Platform は汎用的なML開発基盤です。
社内データを対象としたサイト内検索の改善には Vertex AI Search が最適です。
Vertex AI Search | Google Cloud
Q4. Vertex AI Search は企業に何を可能にしますか？
A. ファーストパーティデータ、サードパーティデータ、および Google のナレッジグラフを用いて、LLMの応答にグラウンディング（根拠付け）を行うこと。
B. 多数のオンライン小売業者の製品を比較し、ユーザーがインターネット上で最良の価格や製品の選択肢を見つけられるようにすること。
C. グローバルなユーザーの検索パターンやトレンドに基づき、最も人気が高く頻繁にアクセスされるコンテンツを表示すること。
D. 公開ウェブ全体から情報を索引付け・取得し、公開データの包括的なビューを提供すること。
回答
- A. ファーストパーティデータ、サードパーティデータ、および Google のナレッジグラフでLLM応答をグラウンディングすること
-
Vertex AI Search の中核的な役割は、企業の自社データ（ファーストパーティ）や外部データ（サードパーティ）、さらに Google のナレッジグラフを活用して、LLMの応答を信頼できる情報源に根拠付ける（グラウンディング） ことです。
これにより、ハルシネーション（幻覚）を抑え、正確で関連性の高い回答を実現します。
Google 検索のように公開ウェブ全体を索引付けするものではなく、組織のデータに基づく検索・回答に特化している点が重要です。
Vertex AI Search | Google Cloud
Q5. マルチエージェントシステムを使用する主な利点は何ですか？
A. 最も基本的で反復的なルールベースのタスクを簡素化すること。
B. すべての固有のAI機能を、単一で未分化のモデルに統合すること。
C. 従来型の非AIアプリケーションをホストするためのプラットフォームとして機能すること。
D. 協調的なAI機能を必要とする複雑なタスクを管理すること。
回答
- D. 協調的なAI機能を必要とする複雑なタスクを管理すること
-
マルチエージェントシステムは、複雑な問題をサブタスクに分解し、各エージェントが特定の機能を専門的に担うことで成り立ちます。
これらのエージェントが連携・協調することで、単一のモノリシックなAIモデルでは対処が難しい、大規模で複雑な目標を達成できます。
つまり 複数のAI機能を協調させて複雑なタスクを管理する点 に最大の利点があります。
単一モデルへの統合や非AIアプリのホスティングという記述は、マルチエージェントの本質とは異なります。
Vertex AI Agent Builder | Google Cloud
Q6. ある組織が、長文の顧客フィードバックのテキスト記録を分析・要約するAIツールを必要としています。
大きなコンテキストウィンドウを持つ Google の基盤モデル（ファウンデーションモデル）を選ぶ必要があります。
どの基盤モデルを選ぶべきですか？
A. Gemini
B. CodeGemma
C. Imagen
D. Chirp
回答
- A. Gemini
-
Gemini は大きなコンテキストウィンドウを持つことで知られており、顧客フィードバックの記録のような長文テキストの処理や要約に非常に適しています。
CodeGemma はコード向け、Imagen は画像生成向け、Chirp は音声向けに特化したモデルです。
したがって 長文処理に必要な大きなコンテキストウィンドウを持つのは Gemini が正解です。
Google モデル | Vertex AI | Google Cloud
Q7. あるソフトウェア開発者が、チャットボットアプリケーションの迅速なプロトタイピングのために、ローカルマシン上でファインチューニングできる高効率なオープンソースの大規模言語モデルを必要としています。
自然言語の理解と生成において高い性能を発揮しつつ、限られたハードウェアでも動作する軽量なモデルが求められています。
どの Google 開発のモデルファミリーを使用すべきですか？
A. Veo
B. Gemini
C. Gemma
D. Imagen
回答
- C. Gemma
-
Gemma は、Gemini と同じ研究・技術から構築された、軽量で最先端のオープンモデルファミリーです。
ローカルマシンやクラウドで革新的なAIアプリを開発できるよう設計されており、限られたハードウェアでの動作や迅速なプロトタイピングに適した、性能と効率のバランスを備えています。
Veo は動画生成、Gemini はより大規模で汎用的、Imagen は画像生成向けです。
したがって 軽量・オープンソースでローカル実行に適した Google のモデルは Gemma が正解です。
Gemma | Google AI for Developers
Q8. ある組織が、Google Cloud 上で自社の生成AIモデルおよび関連リソースを誰が使用・閲覧できるかについて、きめ細かな制御を行いたいと考えています。
この目的に特化した Google Cloud のセキュリティ製品はどれですか？
A. Identity and Access Management（IAM）
B. セキュア・バイ・デザインのインフラストラクチャ
C. Security Command Center
D. ワークロード監視ツール
回答
- A. Identity and Access Management（IAM）
-
Identity and Access Management（IAM）は、どのユーザーがどのリソースにどのようなアクセス権を持つかを定義する Google Cloud の基盤的なサービスです。
ユーザー・グループ・サービスアカウントに対する権限をきめ細かく制御でき、生成AIモデルや関連データへのアクセス管理にも適用されます。
Security Command Center はセキュリティ態勢の可視化、ワークロード監視ツールは監視が中心です。
「誰が使用・閲覧できるか」のアクセス制御には IAM が最適です。
IAM の概要 | Google Cloud
Q9. ある企業が対話型のAIチャットボットを開発しています。
チャットボットが人間らしい会話を行い、正確な情報を提供できるようにする必要があります。
ユーザーのプロンプトをよりよく理解し、効果的に応答する能力を高めるには、何をすべきですか？
A. Few-shot プロンプティング（少数の例示）などのプロンプトエンジニアリング技法を用い、成功した対話の例をチャットボットに提供する。
B. 無関係な情報を学習しないよう、チャットボットの学習データを制限する。
C. 特定のコマンドにのみ応答するよう、厳密なキーワードマッチングを使用する。
D. より一貫性のある予測可能な応答を生成するため、モデルの temperature（温度）設定を下げる。
回答
- A. Few-shot プロンプティングなどのプロンプトエンジニアリング技法を用い、成功例を提供する
-
プロンプトエンジニアリング、特に Few-shot プロンプティング（望ましい入出力例を提示する手法）は、生成AIモデルに文脈を理解させ、関連性が高く人間らしい応答を生成させるうえで重要です。
学習データの制限や厳密なキーワードマッチングは会話能力を大きく制約し、temperature を下げると応答の多様性が減るだけで理解力が高まるわけではありません。
したがって 成功例を示す Few-shot プロンプティングが対話の質を高める 手段として適切です。
プロンプト設計の概要 | Vertex AI | Google Cloud
Q10. ある人事チームが、大量の求人応募をスクリーニングする業務を支援するため、新しい生成AIアプリケーションを導入しています。
公平性を確保し、応募者候補との信頼関係を築きたいと考えています。
チームは何を優先すべきですか？
A. 応募者へのリーチを最大化するため、AIアプリケーションをさまざまな求人媒体と連携させる。
B. 効率を高めるため、各応募の処理時間の最小化に注力する。
C. 特に応募の評価方法とデータの利用方法に関して、AIが透明性をもって動作するようにする。
D. 人間によるレビューを必要とせず、AIがすべての候補者を自動的にランク付けできるようにする。
回答
- C. 応募の評価方法とデータ利用に関して、AIが透明性をもって動作するようにする
-
求人応募のように機微な領域で公平性と信頼を確保するには、AIがどのように応募を評価し、データを利用するかについての透明性が最も重要です。
これには 潜在的なバイアスの理解、可能な範囲での意思決定の説明、人間による監督の確保 が含まれます。
リーチの最大化や処理時間の短縮、人手を介さない自動ランク付けは、公平性と信頼の確保という目的には直結しません。
Responsible AI | Google Cloud
